为解决车内噪声源识别中结构路径易受外部因素干扰，以及多源振动串扰影响，导致采集的工况数据存在噪声等问题，提出基于自适应噪声的完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)的CEEMDAN-WSVD组合去噪法，该方法利用自适应加噪特征避免模态混叠现象发生，引入样本熵对高频含噪分量进行小波变换(Wavelet Transform，WT)，实现一层降噪后进行重构；并采用奇异值分解(Singular Value Decomposition，SVD)对重构信号获取主分向量，同时使用主分量衰减方法剔除较小主分量，实现二层降噪。运用模拟仿真信号验证上述方法对复杂含噪信号有降噪效果。通过对采集的工况数据降噪处理，计算路径传递率并得到贡献量。将各降噪方法应用于工况传递路径模型中对比分析，发现经过本文方法降噪后模型的合成响应与实测响应准确性较高，降噪效果较优。